核心用法
Large Document Reader 是一套专为突破大语言模型上下文窗口限制而设计的文档处理系统。其核心工作流分为三个阶段：智能拆分、摘要生成与结构化、全局索引构建。
Phase 1：智能拆分 —— 自动分析文档的标题层级（#、##、1.、1.1等）识别章节边界，将长文档拆分为独立的纯文本文件，按 {序号}_{章节标题}.md 命名规范存储于 ./chapters/ 目录。
Phase 2：摘要生成 —— 为每个章节生成机器可读的JSON摘要，包含章节ID、标题、200-300字核心摘要、关键词、关键要点及相关章节引用，存储于 ./summaries/ 目录。
Phase 3：全局索引 —— 聚合所有JSON摘要，生成 MASTER_INDEX.md 导航文件，提供鸟瞰式概览，支持快速定位与跨章节查询。
显著优点
1. 突破上下文限制：通过"摘要+按需加载"机制，使超长文档（书籍、论文、技术报告）可被当前上下文受限的AI有效处理
2. 结构化知识库：JSON格式的标准化摘要便于机器解析、检索和后续分析
3. 双模式查询：支持全局概览（MASTER_INDEX.md）与深度钻取（单章节文件）两种查询场景
4. 可复用架构：生成的文件系统可作为持久的、可查询的知识库重复使用
潜在局限
- 自动章节识别依赖文档格式的规范性，扫描版PDF或非结构化文本可能需预处理
- JSON字段固定，对高度专业化文档（如法律文书、医学病历）可能需要自定义扩展
- 摘要质量受底层模型能力制约，复杂论证结构可能出现要点遗漏
适合人群
- 研究人员处理长篇学术论文或技术文档
- 知识管理需求者构建可检索的个人/企业知识库
- 需要AI辅助阅读书籍、报告、手册等长文本的用户
- 开发RAG（检索增强生成）系统的工程师
常规风险
- 数据隐私：处理敏感文档时需确保本地执行环境安全
- 摘要偏差：自动生成的摘要可能反映模型偏见或理解偏差，关键决策场景建议人工复核
- 版本管理：文档更新后需重新执行完整工作流以保持一致性